摘 要: 車牌定位是實現智能交通系統的關鍵因素之一。在RGB色彩空間中，運用自微分技術實現了圖像的二值化，利用水平膨脹、腐蝕技術完成了形態學處理。最后，通過由下向上掃描確定連通區域的矩形邊界，結合車牌的幾何尺寸，給出車牌區域的具體坐標。
關鍵詞: 車牌定位; 自微分; 水平膨脹和腐蝕
隨著信息化的飛速發展，智能交通系統已成為交通管理的重要研究方向，可以解決諸如交通堵塞、違章等問題。一般來說，車牌是各種交通工具的唯一標識，因此車牌識別是實現智能交通系統的先決條件。車牌識別按功能順序分為車牌定位、字符劃分和字符識別三部分。車牌定位直接決定后序功能實現的好壞，因此它是車牌識別的關鍵。車牌區域識別可基于灰度圖像及彩色圖像。由于人眼對灰度圖像不敏感性，僅能識別幾十個灰度等級，如果圖像背景、光照度等因素復雜的話，無形中增加了車牌區域識別算法的復雜度，花費的時間也高，這對于智能交通系統的實時性要求也是不現實的。由于人眼對彩色識別非常敏感，遠遠大于灰度圖像，因此，目前存在許多基于顏色空間的車牌區域識別算法。一般來說，首先把RGB彩色空間圖像轉化成HSV、HSI、CMY等色彩空間，然后在變換后的色彩空間中運用各種算法，最后再轉換回RGB色彩空間，得到所需結果。本文也是基于色彩空間的，但直接作用于最基本的RGB空間。
1 RGB空間自微分車牌區域識別原理
車牌區域識別具體來說是指車牌區域的底色顏色識別。我國常用的是藍底白字、黃底黑字車牌，因此，主要完成RGB空間中的藍色、黃色識別。設每個像素顏色分量值為R、G、B。
1.1藍色車牌識別
(1)確定藍色像素。當滿足B>G且B>R時，則為藍色像素。
(2)確定藍色車牌候選區域。根據步驟(1)確定的藍色像素集一定包含非車牌區域。一般來說，車牌區域與整個車其他區域相比較，它的藍色對比度是最大的，按式(2)描述對比度即可：
當value>16(可初始變量設定)時，把該像素歸結為藍色車牌候選區域。
1.2 黃色車牌識別
(1)確定黃色像素。當滿足R>B且G>B時，則為黃色像素。
(2)確定黃色車牌候選區域。根據步驟(1)確定的黃色像素集一定包含非車牌區域。一般來說，車牌區域與整個車其他區域相比較,它的黃色對比度是最大的，按式(2)描述對比度即可:
value=(R+G)/2-B (2)
當value>16(可初始變量設定)時，把該像素歸結為黃色車牌候選區域。
(3)自微分作用。 由式(1)及式(2)可知，它們均是對每個元素R、G、B分量的內部差分，所以叫作自微分。原彩色圖像經過自微分運算后的值作為灰度值保存在等大小的灰度圖像中，且原彩色圖像中彩色車牌區域在灰度圖像中是一個較亮的區域?？傊?，通過彩色圖像自微分運算，巧妙形成了新的灰度圖像，車牌區域識別在新的灰度圖像中完成即可。
2 車牌識別設計思想
2.1總體框圖
該算法的總體框圖如圖1所示。
2.2 關鍵點說明
以藍色車牌為例進行說明。
設原彩色圖像A三基色表示為：f(x,y,R)、f(x,y,G)、 f(x,y,B),灰度圖像B為g(x,y)。
(1) 灰度圖像B生成算法
遍歷圖像，對每個像素而言，如下：
if 滿足藍色條件
g(x,y)=f(x,y,B)-[f(x,y,R)+f(x,y,G)]/2
if g(x,y)<16 //可初始變量設定
g(x,y)=0
else
g(x,y)=0
可以看出，通過該運算后，灰度圖像B中僅包含原彩色圖像中藍色像素部分，其他原彩色圖像中非藍色部分都可以不考慮了。
(2) 灰度圖像B閾值的確定
需要考慮兩種情況：一種是原彩色圖像A中藍色像素少(如車身是白色等),在這種情況下，當生成灰度圖像B時，非零灰度值絕大多數集中在車牌區域；另一種是原彩色圖像A中藍色像素多(如車身是藍色)，在這種情況下，當生成灰度圖像B時，非零灰度值集中在車牌區域及其他區域。因此，按如下算法決定B的閾值大?。?br />
閾值thresh=0;
統計B中非零元素數n及灰度累加值t;
灰度平均值aver=t/n;
if n<某值 //經驗確定,對藍色少情況
thresh=aver-10
else //藍色多情況
thresh=aver
(3) 二值圖像C形態學處理
二值圖像C生成后,車牌區域可能是不連通的，必須把它處理成連通區域，這樣才能得到正確的車牌區域坐標。用到的形態學處理方法是膨脹、收縮。對大量原彩色圖像分析可以得出，圖像在豎直方向變化大，水平方向變化小。所以要對常規的膨脹、收縮方法加以改進，僅進行水平膨脹及水平收縮。
水平膨脹算法如下所示：
do{
遍歷當前行，獲取分段亮區線段集v
對v中每線段，左端點減1，置亮色；
右端點加1, 置亮色
}while(還有下一行，置成當前行)
水平收縮算法如下所示：
do{
遍歷當前行，獲取分段亮區線段集v
對v中每線段，左端點置暗色；
右端點置暗色
}while(還有下一行，置成當前行)
水平膨脹與水平收縮是成對出現的,膨脹n次,則收縮比n次。對本文論述內容而言,應先進行水平膨脹,再進行水平收縮運算。
(4) 車牌區域確定
我國車牌的長、寬比約為3.14。由于拍攝等多方面原因，圖像上發生了一些變化，本文取[2，4.5]。具體算法如下：
while(自下向上，從左至右掃描，若有連通域，置成
當前連接域)
{
BFS層次遍歷連通域，得矩形邊界
求矩形長、寬比r
if 2<r<4.5
找到矩形邊界，跳出循環
}
核心思想是：自下向上掃描，找到第1個連通域，滿足其矩形邊界長、寬比在[2,4.5]范圍內，則該矩形邊界即可作為車牌區域坐標，直接終止循環即可。
(5) 有效區域設定
車牌區域在圖像中占有很小的一部分，很容易受其他因素干擾，影響車牌識別的精確度。通過對大量車牌圖片分析可以得出，要想識別出車牌，車牌圖像應有一定大小，要在整個圖像的下半部分。因此，之前的所有算法及其功能僅針對圖像下半部分操作，無須涉及上半部分圖像元素，最大限度地屏蔽了上半部分圖像元素對車牌識別的影響。
3 實驗結果
如圖2所示,圖2(a)是原圖，其中不包含矩形框，矩形框是最終獲得的車牌區域坐標，為了簡潔，放在了一起。
圖2(b)是自微分形成的灰度圖，設坐標原點為左上角，圖像高h, 僅處理了[h/2, h)間圖像下半部分像素。從圖2(b)中看出，執行水平膨脹、收縮，不會影響車牌的連通區域；而執行普通的膨脹、收縮，上下區域就可能連起來，影響車牌真實的連通域大小。
圖2(c)是二值圖像。其中有亮、有暗，這是因為二值化后所有前景灰度都置成了255，遍歷某連通區域后，該區域都置成了64。圖2(c)中高亮區域表示沒有遍歷的連通區域。另一方面也說明了如果找到某連通區域，其矩形邊界長寬比在[2,4.5]范圍內，則表示找到了車牌圖像區域，不必繼續遍歷其他的連通區域了。
本文通過彩色圖像自微分巧妙地生成了所需的灰度圖像，有效區域的設定提高了車牌區域識別的精度及速度。但如何更有效確定自微分圖像后的二值化閾值，車牌有一定傾角如何處理等，都是今后值得深入研究的問題。
參考文獻
[1] Gao Dashan, Zhou Jie. Car license plate detection from complex scene[C]. ICSP,2000:1409-1414.
[2] Bai Hongliang，Liu Changping. A hybrid license plate extraction method based on edge statistics and morphology[C]. Proceedings of the International Conference on ICPR，2004，2：831-834.
[3] 陳進，徐佩霞. 一種改進的分級車牌定位算法[J]. 計算機工程與應用, 2010,46(23):244-248.
[4] 吳舟舟，李樹廣.基于分級邊緣間距的實時車牌檢測[J]. 中國圖象圖形學報，2007，12(2)：315-321.
[5] 左奇，史忠科.一種基于數學形態學的實時車牌圖像分割方法[J]. 中國圖象圖形學報，2003，8A(5)：281-285.
[6] 郭大波，陳禮民，盧朝陽，等.基于車牌底色識別的車牌定位方法[J]. 計算機工程與設計，2003(5)：81-87.
[7] 任俊，黃丹丹，李志能.結合紋理分析和支撐矢量機的汽車牌照定位研究[J].浙江大學學報，2006，40(8)：1352-1357.